1、缓存雪崩
缓存雪崩就是Redis 的大量热点数据同时过期（失效），因为设置了相同的过期时间，刚好这个时候Redis请求的并发量又很大，就会导致所有的请求落到数据库。
缓存雪崩的解决方案：
（1）加互斥锁或者使用队列，针对同一个key只允许一个线程到数据库查询
（2）缓存定时预先更新，避免同时失效
（3）通过加随机数，使key在不同的时间过期
（4）缓存永不过期或双缓存
2、缓存穿透
因为每次查询的值都不存在导致的Redis失效的情况，我们就把它叫做缓存穿透。
缓存穿透分为两种情况：
（1）多次重复查询相同的值
这种情况可以缓存空数据或特殊字符，使不存在的数据不必一直查缓存，并发高的情况下可以加分布式锁，避免同一时间点数据库请求打满。
（2）每次都查询不同的值
这个问题的关键在于如何判断要查询的值在不在数据库中，也是一个经典问题：如何在海量元素中（例如10亿无序、不定长、不重复）快速判断一个元素是否存在？
2.1、第一种方案：
使用位图（bitMap），它是一个有序数组，只有0和1，0表示不存在，1表示存在。
要通过有序的位置来标识10亿个元素是否存在，需要将元素值与数组下标做一个映射，通过映射转换成下标的时候，应该在数组中尽可能均匀分布。可以通过哈希函数进行映射，比如MD5、SHA-1等常见的哈希算法。如下6个元素经过哈希算法和位运算得到相
应的下标：
但是会存在一个问题，就是不同元素得到的哈希值一样，这样就会有相同的下标（如上图的Tom和Mic），这种情况也就哈希碰撞。要避免哈希碰撞，可以通过扩大位图容量或是增加哈希计算次数，但是位图容量太大会产生存储空间过大，哈希计算次数太多消
耗时间等问题，所以要对二者进行平衡，这就有了第二种方案。
2.2、第二种方案：基于内存的布隆过滤器
（1）布隆过滤器工作原理
首先，布隆过滤器的本质第一种方案提到的一个位数组，和若干个哈希函数。
如上：集合里面有3个元素，要把它存到布隆过滤器里面去，应该怎么做？首先是a元素，这里我们用3次计算。b、c元素也一样。元素已经存进去之后，现在我要来判断一个元素在这个容器里面是否存在，就要使用同样的三个函数进行计算。比如d元素，我用第
一个函数f1计算，发现这个位置上是1，没问题。第二个位置也是1，第三个位置也是1 。如果经过三次计算得到的下标位置值都是1，这种情况下，能不能确定d 元素一定在这个容器里面呢？ 实际上是不能的。比如这张图里面，这三个位置分别是把a,b,c存进去的时
候置成1的，所以即使d元素之前没有存进去，也会得到三个1，判断返回true。所以，这个是布隆过滤器的一个很重要的特性，因为哈希碰撞不可避免，所以它会存在一定的误判率。
布隆过滤器的特点：
1、如果布隆过滤器判断元素在集合中存在，不一定存在
2、如果布隆过滤器判断不存在，一定不存在
（2）Guava中布隆过滤器的实现
谷歌的Guava里面就提供了一个现成的布隆过滤器。
<dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>21.0</version> </dependency>
创建布隆过滤器：
BloomFilter<String> bf = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),insertions);
布隆过滤器提供的存放元素的方法是put()，判断元素是否存在的方法是mightContain()。
布隆过滤器把误判率默认设置为0.03，也可以在创建的时候指定。
public static<T> BloomFilter<T> create(Funnel<? super T>funnel,long expectedInsertions){
return create(funnel,expectedInsertions,0.03D);
}
位图的容量是基于元素个数和误判率计算出来的：
long numBits = optimalNumOfBits(expectedInsertions,fpp);
根据位数组的大小，进一步计算出了哈希函数的个数：
int numHashFunctions = optimalNumOfHashFunctions(expectedInsertions,numBits);
存储100万个元素只占用了0.87M的内存，生成了5个哈希函数。
（3）布隆过滤器在项目中的使用
布隆过滤器的工作位置：
因为要判断数据库的值是否存在，所以第一步是加载数据库所有的数据。在去Redis查询之前，先在布隆过滤器查询，如果bf说没有，那数据库肯定没有，也不用去查了。如果bf说有，才走之前的缓存和数据库查询流程。
（4）布隆过滤器其他应用场景
布隆过滤器解决的问题是：如何在海量元素中快速判断一个元素是否存在。所以除了解决缓存穿透的问题之外，我们还有很多其他的用途。
比如爬数据的爬虫，爬过的url我们不需要重复爬，在几十亿的url里面，判断一个url是不是已经爬过了
还有邮箱服务器，发送垃圾邮件的账号把它们叫做spamer，在这么多的邮箱账号里面，怎么判断一个账号是不是 spamer 等等一些场景，都可以用到布隆过滤器。
3.3、第三种方案： Redis布隆过滤器
基于内存的布隆过滤器不适用于分布式，且无法存储大量数据。
（1）redis布隆过滤器的安装
下载地址github：https://github.com/RedisBloom/RedisBloom
然后编译：
先把 Redis 给停掉，在 redis.conf 里面添加一行命令->加载模块：
（2）使用
布隆过滤器添加和查询命令：
添加的lua脚本：
local bloomName = KEYS[1] local value = KEYS[2] --bloomFilter local result_1 = redis.call('BF.ADD',bloomName,value) return result_1
查询的lua脚本：
local bloomName = KEYS[1] local value = KEYS[2] --bloomFilter local result_1 = redis.call('BF.EXISTS',bloomName,value) return result_1